Grondgebruiksdatabank van Nederland vervaardigd met behulp van Landsat Thematic Mapper opnamen

(1)

• i s / u ^ C M ) ^

Grondgebruiksdatabank van Nederland vervaardigd met behulp

van Landsat Thematic Mapper opnamen

H. Thunnissen R. OIthof P. Getz L. Vels

Rapport 168

DLO-Staring Centrum, Wageningen, 1992

CENTRALE LANDBOUWCATALOGUS

(2)

REFERAAT

Thunnissen, H., R. Olthof, P. Getz enL. Vels, 1992. Grondgebruiksdatabank van Nederland vervaardigd met behulp van Landsat Thematic Mapper opnamen. Wageningen, DLO-Staring Centrum. Rapport 168. 225 blz; 5 fig; 3 platen; 50 tab; 5 aanh.

Voor toepassingen op het gebied van de waterhuishouding, de bodem- en grondwaterbescherming en de ruimtelijke ordening, is er een toenemende behoefte aan actuele informatie over het grondgebruik. In 1988 is begonnen met de vervaardiging van de 'Landelijke Grondgebruiksdatabank van Nederland' (LGN-databank) met satellietbeelden. De databank bestaat uit een raster met pixels van 25 bij 25 meter dat geheel Nederland bedekt. Er zijn 15 grondgebruiksklassen onderscheiden met de nadruk op het landbouwkundig grondgebruik. De LGN-databank is goed bruikbaar op nationale schaal. De toepasbaarheid op regionale schaal varieert afhankelijk van het grondgebruik, de gewasontwikkeling en het opnametijdstip van de satellietbeelden. De nauwkeurigheid van oppervlaktestatistieken in landbouw-gebieden is hoog. Aan de hand van de belangrijkste classificatiefouten zijn aanbevelingen gedaan om de nauwkeurigheid en bruikbaarheid van (een actuele versie van) de databank te verbeteren. Trefwoorden: remote sensing, satellietbeelden, grondgebruik

ISSN 0927-4499

Tevens verschenen als BCRS-rapport 91-32

Tel.: 08370-74200; telefax: 08370-24812; telex: 75230 VISI-NL

Het DLO-Staring Centrum is een voortzetting van: het Instituut voor Cultuurtechniek en Waterhuishouding (ICW), het Instituut voor Onderzoek van Bestrijdingsmiddelen, afd. Milieu (IOB), de Afd. Landschapsbouw van het Rijksinstituut voor Onderzoek in de Bos- en Landschapsbouw "De Dorschkamp". (LB), en de Stichting voor Bodemkartering (STIBOKA).

Het DLO-Staring Centrum aanvaardt geen aansprakelijkheid voor eventuele schade voortvloeiend uit het gebruik van de resultaten van dit onderzoek of de toepassing van de adviezen.

Niets uit deze uitgave mag worden verveelvoudigd en/of openbaar gemaakt door middel van druk, fotokopie, microfilm of op welke andere wijze ook zonder voorafgaande schriftelijke toestemming van

(3)

INHOUD biz. WOORD VOORAF 11 SAMENVATTING 13 1 INLEIDING 19 2 MATERIAAL EN METHODE 21 2.1 De LGN-klassen 21 2.2 Keuze en voorbewerking van de satellietbeelden 22

2.3 Referentiegegevens van het grondgebruik 24 2.3.1 Globale referentiegegevens voor een kwalitatieve validatie van

de hoofdklassen en enkele subklassen 24 2.3.2 Gedetailleerde referentiegegevens voor de classificatie en de

kwantitatieve validatie van de LGN-subklassen 25 2.3.3 Verwerking van de gedetailleerde referentiegegevens 27

2.4 Classificatie van het grondgebruik 28

2.4.1 Gebruikte spectrale banden 29

2.4.2 Stratificatie 30 2.4.3 Classificatiemethode 30

2.5 Postprocessing 32 2.5.1 Toepassing RIN-heidebestand 32

2.5.2 Interactieve correcties 33 2.5.3 Toepassing van een majority filter 34

2.6 Validatie 35 2.6.1 Kwalitatieve validatie van de hoofdklasssen en enkele subklassen 35

2.6.2 Kwantitatieve pixelgewijze validatie van de LGN-subklassen voor

de referentiegebieden 36 2.6.3 Validatie van de oppervlakten per referentiegebied 40

2.6.4 Validatie van de landbouwgewassen aan de hand van de

landbouw-statistieken van de CBS-hoofdlandbouwgebieden 40 3 VALIDATIE EN BRUIKBAARHEID VAN HET LGN-BESTAND 43

3.1 De opbouw van het LGN-bestand 43 3.2 Classificatieresultaat LGN-hoofdklassen 44 3.3 Classificatieresultaten LGN-subklassen 49 3.3.1 Pixelgewijze validatie van de referentiegebieden 49

3.3.2 Validatie van de statistieken van de referentiegebieden 53 3.3.3 Validatie van de landbouwgewassen in het LGN-bestand aan de hand

van de landbouwstatistieken van de CBS-hoofdlandbouwgebieden 53

3.4 Belangrijkste classificatiefouten 54 3.5 Samenvatting van de oorzaken van de classificatiefouten 61

3.6 Bruikbaarheid van het LGN-bestand 64

3.6.1 Algemeen 64 3.6.2 Bruikbaarheid van het originele LGN-bestand op regionale schaal

(4)

biz.

3.6.2.2 Hollandse Droogmakerijen en Dsselmeerpolders 69

3.6.2.3 Zuidwestelijk Zeekleigebied 72 3.6.2.4 Rivierkleigebied 74 3.6.2.5 Lössgebied 76 3.6.2.6 Noordelijk Weidegebied 76 3.6.2.7 Westelijk Weidegebied 78 3.6.2.8 Noordelijk Zandgebied 80 3.2.6.9 Oostelijk Zandgebied 83 3.6.2.10 Centraal Zandgebied 85 3.6.2.11 Zuidelijk Zandgebied 87 3.6.2.12 Veenkoloniën 89 3.2.6.13 Overig Noord-Holland 92 3.2.6.14 Overig Zuid-Holland 94 4 AANBEVELINGEN OM DE LGN-DATABANK TE VERBETEREN 97

4.1 Beeldverwerkingstechnieken om de kwaliteit van de LGN-databank

te verbeteren 97 4.1.1 Multitemporele classificatie 97

4.1.2 Detaillering van de stratificatie 98 4.1.3 Visuele interpretatie van satellietbeelden en luchtfoto's 98

4.1.4 Toepassing van drempelwaarden bij de automatische classificatie 99

4.1.5 Unsupervised classificatiemethoden 100 4.1.6 Niet-parametrische classificatiemethode 100

4.1.7 Filter technieken 101 4.1.8 Gebruik van textuur in een automatische classificatiemethode 101

4.1.9 Radartechnieken 102 4.2 Gecombineerde toepassing van satellietbeelden met andere

digitale geografische bestanden 102

4.2.1 BARS-bestand 102 4.2.2 Topografische kaart en kadastrale bestanden 103

4.2.3 CORINE-grondgebruiksbestand 104 5 TOEPASSING VAN DE GRONDGEBRUIKSDATABANK 105

5.1 Algemeen 105 5.2 Toepassing van de LGN-databank in bodem- en

grondwaterbeschermingsstudies 106 6 KOSTEN/B ATEN- AN ALYSE 109 7 EVALUATIE VAN DE LGN-DATABANK 111

8 CONCLUSIES EN AANBEVELINGEN 113

LITERATUUR 115 AANHANGSELS

(5)

biz. 3 Vergelijking van de LGN-databank met de landbouwstatistieken

van het CBS voor de 14 CBS-hoofdlandbouwgebieden 177

4 Kosten/baten-analyse 183 5 Evaluatie van de LGN-databank 201

TABELLEN

1 Legenda LGN-databank 21 2 Golflengtebanden en de geometrische resolutie van de Thematic Mapper

sensor in de Landsat satelliet 23 3 Opnamedata van de satellietbeelden die zijn gebruikt voor de

classificatie van de verschillende referentiegebieden 27

4 Toegepaste validatiemethoden 35 5 De minimum, gemiddelde en maximum waarden van de

classificatie-nauwkeurigheid van de subklassen in alle referentiegebieden

(uitgezonderd Reuver) 50 6 De minimum, gemiddelde en maximum waarden van de

classificatie-betrouwbaarheid van de subklassen in alle referentiegebieden

(uitgezonderd Reuver) 51 7 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Betuwe, geclassificeerd met het TM-beeld van 3 augustus 1986 127 8 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Betuwe na toepassing van een 3 x 3 majority

filter, zonder grenspixels (opnamedatum TM-beeld: 3 augustus 1986) 128 9 Geografische 'overall' classificatienauwkeurigheid van het

referentiege-bied Biddinghuizen geclassificeerd met het satellietbeeld van

16 juni 1986 130 10 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Biddinghuizen na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

16 juni 1986) 131 11 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Biddinghuizen geclassificeerd met het satellietbeeld van

3 augustus 1986 133 12 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Biddinghuizen na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

3 augustus 1986) 134 13 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Borssele na toepassing van een 3 x 3 majority

filter, zonder grenspixels (opnamedatum TM-beeld: 5 juli 1987) 136 14 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Ens, geclassificeerd met het satellietbeeld van 3 augustus 1986 138 15 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Ens na toepassing van een 3 x 3 majority filter,

zonder grenspixels (opnamedatum TM-beeld: 3 augustus 1986) 139 16 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Hupsel, geclassificeerd met het satellietbeeld van

(6)

biz. 17 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Hupsel na toepassing van een 3 x 3 majority

referentie-gebied Mander, geclassificeerd met het satellietbeeld van

van het referentiegebied Mander na toepassing van een 3 x 3 majority

referentie-gebied Nieuw Buinen, geclassificeerd met het satellietbeeld van

14 juli 1987 145 21 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Nieuw Buinen na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

14 juli 1987) 146 22 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied noord west Brabant, geclassificeerd met het satellietbeeld van

3 augustus 1986 147 23 Confusion matrix en de classificatienauwkeurigheid van de aardappelen

in het referentiegebied noord-west Brabant na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

3 augustus 1986) 147 24 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Oedenrode, geclassificeerd met het satellietbeeld van

van het referentiegebied Oedenrode na toepassing van een

3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

referentie-gebied Oostereng, geclassificeerd met het satellietbeeld van

van het referentiegebied Oostereng bos na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

referentie-gebied Ooijpolder, geclassificeerd met het satellietbeeld van

van het referentiegebied Ooijpolder na toepassing van een

referentie-gebied Reuver geclassificeerd met het satellietbeeld van 14 juni 1988 157 31 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

(7)

biz. 32 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Rozendaalse bos, geclassificeerd met het satellietbeeld van

van het referentiegebied Rozendaalse bos na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld:

referentie-gebied Schoonoord, geclassificeerd met satellietbeelden van 16 juni en

13 september 1986 162 35 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Schoonoord na toepassing van een

3 x 3 majority filter, zonder grenspixels (opnamedata TM-beelden:

16 juni en 13 september 1986) 162 36 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Schoonoord, geclassificeerd met het satellietbeeld van

13 september 1986 163 37 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Schoonoord na toepassing van een

13 september 1986) 164 38 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Stevensbeek, geclassificeerd met het satellietbeeld van

van het referentiegebied Stevensbeek na toepassing van een

referentie-gebied Ulvenhout, geclassificeerd met het satellietbeeld van

van het referentiegebied Ulvenhout na toepassing van een 3 x 3 majority filter, zonder grenspixels (opnamedatum TM-beeld: 3 augustus 1986) 170 42 Geografische 'overall' classificatienauwkeurigheid van het

referentie-gebied Veenhuizen, geclassificeerd met het satellietbeeld van

van het referentiegebied Veenhuizen na toepassing van een

referentie-gebied Wierden, geclassificeerd met het satellietbeeld van 16 juni 1986 175 45 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Wierden na toepassing van een 3 x 3 majority

filter, zonder grenspixels (opnamedatum TM-beeld: 16 juni 1986) 175 46 Geografische 'overall' classificatienauwkeurigheid van het

(8)

biz. 47 Confusion matrix en de classificatienauwkeurigheid en -betrouwbaarheid

van het referentiegebied Wierden na toepassing van een 3 x 3 majority

filter, zonder grenspixels (opnamedatum TM-beeld: 3 augustus 1986) 177 48 Marktcontacten en verkopen van LGN-informatie per categorie

potentiële gebruikers 192 49 Kosten (in guldens) van een landgebruiksclassificatie op basis van

satellietbeelden en veldwaarnemingen en de effecten van de combinatie van deze classificatie met gescande topografische kaarten op de kosten

voor produkten op verschillende schaalniveaus 198 50 Kosten van de vervaardiging van voorbeeldprodukten met gebruik van

informatie uit de topografische kaart 199 FIGUREN

1 De ligging van de referentiegebieden in Nederland 26 2 Stratificatie van Nederland ten behoeve van de grondgebruiksclassificatie 31

3 De gedigitaliseerde en verrasterde grondgebruiksgrenzen en de foutief geclassificeerde pixels na een pixelgewijze validatie van

referentie-gebied Biddinghuizen 39 4 De onderverdeling van Nederland in hoofdlandbouwgebieden 41

5 Schematische opzet van de toepassing van een regionaal model om de

bodem- en grondwaterkwaliteit te voorspellen 106 PLATEN

1 Ligging en opnamedata van de satellietbeelden die zijn gebruikt

voor de vervaardiging van het LGN-bestand 221 2 Het grondgebruiksbestand van Nederland 223 3 Het grondgebruiksbestand van kaartblad 44 West schaal 1 : 50 000 225

(9)

WOORD VOORAF

Het project Landelijke Grondgebruiksclassificatie van Nederland (LGN) is in de jaren 1988 t/m 1991 uitgevoerd door het DLO-Staring Centrum te Wageningen en DHV Consultants BV te Amersfoort. Het DLO-Staring Centrum was verant-woordelijk voor de classificatiemethodiek, de validatie, de rapportage en het projectmanagement. De classificatie van de satellietbeelden en de kosten/baten-analyse is uitgevoerd door DHV. De evaluatie is door DHV en het DLO-Staring Centrum gezamenlijk uitgevoerd.

Voor het project is een begeleidingssgroep samengesteld. Naast vertegenwoordigers van instellingen die de LGN-databank zouden gaan gebruiken, hadden vertegen-woordigers van het Programmabureau van de Beleids Commissie Remote Sensing (BCRS), DHV Consultants BV en het DLO-Staring Centrum zitting in de begeleidingsgroep. Tijdens de bijeenkomsten van deze groep zijn tussentijdse resultaten geëvalueerd en gebruikerswensen en toepassingen van de LGN-databank besproken. De samenstelling van de begeleidingsgroep is vermeld in aanhangsel 1. Naast financiële bijdragen van verschillende gebruikers (de provincies Drenthe, Overijssel, Gelderland, Flevoland, Noord-Brabant, Limburg, Noord-Holland en Zeeland, het Ministerie van VROM, het Centraal Bureau voor de Statistiek, het Rijksinstituut voor Volksgezondheid en Milieuhygiëne, de Rijks Planologische Dienst en Rijkswaterstaat), DHV-Consultants BV en het DLO-Staring Centrum werd subsidie verkregen in het kader van het Nationaal Remote Sensing Programma dat wordt gecoördineerd door de BCRS.

(10)

SAMENVATTING

Voor verschillende toepassingen, met name op het gebied van de waterhuishouding, de bodem- en grondwaterbescherming en de ruimtelijke ordening, is er een toenemende behoefte aan actuele informatie over het grondgebruik. Daarom is in

1988 begonnen met de vervaardiging van de 'Landelijke Grondgebruiksdatabank van Nederland' (LGN-databank) met satellietbeelden. Het project had tevens tot doel de mogelijkheden te onderzoeken om nauwkeurige informatie over het grond-gebruik uit satellietbeelden af te leiden voor de verschillende fysiografische eenheden van Nederland.

Het LGN-project is in de jaren 1988 t/m 1991 uitgevoerd door het DLO-Staring Centrum te Wageningen en DHV Consultants BV te Amersfoort. Het DLO-Staring Centrum was verantwoordelijk voor de classificatiemethodiek, de validatie, de rapportage en het projectmanagement. DHV heeft de classificatie van de satelliet-beelden en de kosten/baten-analyse uitgevoerd. DHV en het DLO-Staring Centrum hebben gezamenlijk de evaluatie uitgevoerd.

De LGN-databank is vervaardigd door automatische classificatie en aanvullende visuele interpretatie van satellietbeelden, opgenomen door de Thematic Mapper (TM) aan boord van de Amerikaanse satelliet Landsat. De gebruikte satelliet-beelden zijn voornamelijk opgenomen in de zomer van 1986. Bovendien zijn voor enkele deelgebieden satellietbeelden uit de zomer van 1984, 1987 en 1988 gebruikt. De databank bestaat uit een raster met elementen of pixels van 25 bij 25 meter dat geheel Nederland bedekt. Voor iedere pixel is het grondgebruik bepaald. Er zijn 15 grondgebruiksklassen onderscheiden. De nadruk ligt op het landbouwkundig grondgebruik. Bovendien worden de klassen 'bebouwing en wegen' en 'water' en enige klassen binnen bos en (open) natuurgebied onderscheiden. Voorafgaande aan de grondgebruiksclassificatie is Nederland onderverdeeld in 52 strata. Dit zijn min of meer homogene gebieden wat betreft grondgebruik en bodemeenheid. De classificatie is voor ieder stratum afzonderlijk uitgevoerd. Indien gewenst kan een 3 x 3 majority filter op de LGN-databank worden toegepast. Hierdoor neemt de nauwkeurigheid van de grondgebruiksklassen over het algemeen toe.

Om de kwaliteit van het LGN-bestand vast te stellen is het bestand gevalideerd. Bij het vaststellen van het classificatieresultaat moet onderscheid worden gemaakt tussen de nauwkeurigheid en de betrouwbaarheid van de het LGN-bestand. Omdat het met name bij een kwalitatieve validatie en bij de validatie van grondgebruiks-oppervlakken in deelgebieden vaak moeilijk of onmogelijk is om dit onderscheid te maken, wordt in dit rapport voornamelijk gesproken over de classificatie-nauwkeurigheid. Over de classificatiebetrouwbaarheid wordt alleen gesproken wanneer deze expliciet aan de orde komt.

Het classificatieresultaat is vastgesteld door de grondgebruiksdatabank te vergelijken met referentiegegevens. Voor 18 zogenaamde referentiegebieden zijn gedetailleerde grondgebruiksgegevens verzameld door veldwerk en interpretatie van

(11)

luchtfoto's. Voor deze gebieden is, zowel op pixelniveau als op gebiedsniveau, een kwantitatieve validatie van de LGN-databank uitgevoerd. Omdat een pixelgewijze validatie tot gevolg kan hebben, dat pixels die samenvallen met een grens tussen verschillende grondgebruiksklassen, ten onrechte als foutief geclassificeerd worden beschouwd, is voor de grenspixels een aangepaste validatieprocedure ontwikkeld. Bovendien is de LGN-databank kwalitatief gevalideerd door de databank te vergelijken met topografische kaarten. Tenslotte is de LGN-databank voor de 14 door het CBS onderscheiden hoofdlandbouwgebieden vergeleken met de landbouw-statistieken van het CBS.

Uit de validatie blijkt dat de LGN-databank op het niveau van de hoofdklassen (landbouw, bos, open natuurgebied, water en bebouwing en wegen) op landelijke schaal bezien een hoge nauwkeurigheid heeft. Regionaal en lokaal kan echter een vrij grote verwarring tussen verschillende hoofdklassen voorkomen. Wanneer de oppervlakten in aanmerking worden genomen, betreffen de grootste problemen het voorkomen van als gras en kale grond geclassificeerde pixels binnen de hoofdklassen 'bebouwing en wegen' en 'open natuurgebied'. Deze pixels zijn in de LGN-databank niet te onderscheiden van cultuurgrasland en kale landbouwgrond. De classificatienauwkeurigheid en -betrouwbaarheid van de afzonderlijke subklassen in de LGN-databank variëren sterk over Nederland (van 0 tot 99%!). Deze variatie is het gevolg van spectrale verwarring tussen verschillende grondgebruiksklassen en de beperkte mogelijkheid om onderscheid te kunnen maken tussen bodembedekking (d.w.z. het materiaal dat de bodem bedekt, bijv. gras) en het functionele gebruik van de bodem (de bodembedekking gras kan bijv. worden gebruikt als cultuurgrasland, maar ook als golfterrein of stadspark). Afhankelijk van het grondgebruik, de gewasontwikkeling en de grootte en vorm van de grondgebruiksklassen in de verschillende strata en de opnamedatum en kwaliteit van de gebruikte satellietbeelden, spelen deze beide factoren een meer of minder grote rol. Hierdoor kan het classificatieresultaat per stratum variëren. Naast bovengenoemde factoren is het classificatieresultaat tevens afhankelijk van de toegepaste stratificatie, de keuze van de trainingsgebieden en de beschikbaarheid van voldoende betrouwbare referentiegegevens.

Om een totaalbeeld van de classificatienauwkeurigheid van de verschillende referentiegebieden te krijgen is behalve de classificatienauwkeurigheid van de afzonderlijke grondgebruiksklassen ook de zogenaamde 'geografische overall classificatienauwkeurigheid' per referentiegebied bepaald. Deze is berekend door het totaal aantal correct geclassificeerde pixels te delen door het totaal aantal pixels in het referentiegebied. De geografische 'overall' classificatienauwkeurigheid varieert tussen 50 en 84% en bedraagt gemiddeld 67% (het referentiegebied Reuver is vanwege de beperkte bruikbaarheid van het satellietbeeld van 14 juni 1988 niet in de beschouwing betrokken). Toepassing van een 3 x 3 majority filter doet de gemiddelde geografische 'overall' classificatienauwkeurigheid van de referentiegebieden met 5% toenemen tot 72%. De maximale toename voor een afzonderlijk referentiegebied bedraagt 8%. Voor individuele klassen kan de verbetering nog aanzienlijk hoger zijn.

(12)

Voor een aantal toepassingen is de exacte ligging van de pixels niet van belang en is men slechts geïnteresseerd in de oppervlakten van de grondgebruiksklassen in verschillende deelgebieden (bijv. waterwingebieden of gebieden met een bepaalde bodemeenheid). Daarom zijn ook voor alle referentiegebieden de oppervlakten van de klassen in het LGN-bestand vergeleken met de oppervlakten van de betreffende referentieklassen. Het resultaat is aangeduid als de 'niet geografische overall classificatienauwkeurigheid'. De niet geografische 'overall' classificatienauw-keurigheid, die is berekend na toepassing van een 3 x 3 majority filter, varieert tussen 69 en 96% en bedraagt gemiddeld 88% (met uitzondering van het referentie-gebied Reuver). De classificatienauwkeurigheid blijkt dus aanzienlijk toe te nemen, wanneer de ligging van de afzonderlijke pixels niet meer in beschouwing wordt genomen. De toename varieert tussen 4 en 30% en bedraagt gemiddeld 16%.

Een directe vergelijking van het LGN-bestand met de CBS-landbouwstatistiek levert problemen op, omdat de wijze van verzamelen van de gegevens nogal verschilt. De oppervlaktes uit de CBS-landbouwstatistiek betreffen de beteelde oppervlaktes. Hierin zijn kavelpaden, sloten, houtwallen, singels, bedrijfsgebouwen, erven, tuinen, bermen e.d. niet betrokken. In de LGN-databank daarentegen is over het algemeen geen onderscheid gemaakt tussen de bodembedekking en het functionele gebruik van de bodem. Gras en kale grond in stedelijke gebieden en natuurgebieden (bijv. tuinen, sportterreinen, parken, bouwterreinen, natuurlijke graslanden), maar ook langs wegen en waterlopen, op dijken, e.d. zijn in de LGN-databank opgenomen in de klassen gras en kale grond. Hierdoor is voor alle hoofdlandbouwgebieden de totale oppervlakte uit de LGN-databank aanzienlijk groter dan die uit de CBS-landbouwstatistiek. Dit wordt vooral veroorzaakt door de oppervlakte grasland en in mindere mate de oppervlakte kale grond. Wanneer hiervoor zo goed mogelijk wordt gecorrigeerd, blijkt de niet geografische 'overall' classificatienauwkeurigheid voor de meeste CBS-hoofdlandbouwgebieden hoger te zijn dan dan 70 à 80%. Dit bevestigt de voor de referentiegebieden gevonden resultaten.

De bruikbaarheid van het LGN-bestand is afhankelijk van de nauwkeurigheid en betrouwbaarheid van de grondgebruiksgegevens, de aard van de toepassing en van de schaal waarop de gegevens worden gebruikt. Om de bruikbaarheid van het bestand vast te kunnen stellen moet bekend zijn, welke nauwkeurigheid en/of betrouwbaarheid vereist is voor een bepaalde toepassing. Hier is weinig over bekend. Ook tijdens de evaluatie van het LGN-project konden de gebruikers niet nader aangeven welke nauwkeurigheid gewenst is voor de verschillende toepassingen. In deze studie is er van uitgegaan dat, wil het LGN-bestand bruikbaar zijn, de 'overall' classificatienauwkeurigheid van de LGN-databank groter moet zijn dan 70 à 80 %. De classificatienauwkeurigheid van individuele klassen kan daar in principe (aanzienlijk) van afwijken. Meestal betreft dat dan echter grondgebruiksklassen met een relatief geringe oppervlakte.

Bij toepassing op landelijke schaal (1 : 100 000 en kleiner) is de LGN-databank zowel op het niveau van de hoofd- als op het niveau van de subklassen zonder beperkingen bruikbaar, met uitzondering van de delen van Limburg die zijn geclassificeerd met het satellietbeeld van 14 juni 1988. In deze gebieden is het

(13)

LGN-bestand alleen bruikbaar op het niveau van de hoofdklassen, met uitzondering van een gebied met sluierbewolking ter grootte van enkele honderden hectare ten noorden van Sittard. In dat gebied is het LGN-bestand niet bruikbaar. Ook bij toepassingen op regionale schaal (1 : 50 000) is het bestand, zowel op het niveau van de hoofd- als van de subklassen, in het grootste deel van Nederland bruikbaar, wanneer informatie is gewenst over de oppervlakteverdeling van het grondgebruik in deelgebieden die voornamelijk zijn gelegen in landbouw- en/of bosgebieden. Bij regionale toepassingen op het niveau van de afzondelijke pixels varieert de bruikbaarheid van het LGN-bestand sterk over het land. In sommige landbouw- en open natuurgebieden en in de meeste bosgebieden is de databank zonder meer bruikbaar op pixelniveau, zowel voor de hoofdklassen als voor de subklassen. In andere landbouwgebieden en in de meeste bebouwde gebieden en open natuur-gebieden is het LGN-bestand niet bruikbaar op pixelniveau of alleen voor een beperkt aantal klassen of na samenvoeging van bepaalde klassen. Per CBS-hoofdlandbouwgebied is globaal aangegeven waar het LGN-bestand in de vorm van oppervlaktestatistieken en/of op pixelniveau bruikbaar is op regionale schaal.

Voor regionale toepassing van het LGN-bestand in veel open natuurgebieden, zowel in de vorm van oppervlaktestatistieken als op pixelniveau, dienen met name de klassen gras en kale grond in deze gebieden te v/orden gehercodeerd naar 'overig natuurgebied'. Binnen de referentieklasse 'bebouwing en wegen' is het LGN-bestand, zowel in de vorm van oppervlaktestatistieken als op pixelniveau, alleen bruikbaar, indien de oppervlakken gras, kale grond en eventueel landbouwgewassen die voorkomen binnen of grenzen aan bebouwd gebied en niet in landbouwkundig gebruik zijn, worden gehercodeerd. Bij toepassingen in relatief kleine gebieden kunnen deze fouten over het algemeen gemakkelijk en snel interactief worden gecorrigeerd. Voor toepassing in grote gebieden zal het gebruik van een digitaal geografisch bestand met informatie over de ligging van stedelijk gebied en natuurgebieden de bruikbaarheid van het LGN-bestand aanzienlijk vergroten.

Het LGN-bestand is niet bruikbaar op lokale schaal.

Tijdens de validatie zijn de aard en de oorzaken van de belangrijkste classificatie-fouten geïnventariseerd. Aanbevelingen zijn gedaan om de nauwkeurigheid van (een actuele versie van) de databank te verbeteren. Deze aanbevelingen kunnen worden onderverdeeld in technieken die direct betrekking hebben op de beeldverwerking, en methoden waarbij satellietbeelden gecombineerd met andere digitale geografische bestanden worden toegepast. Voor iedere aanbeveling om de kwaliteit van de databank te verbeteren is een kwalitatief oordeel gegeven over het te verwachten rendement.

DHV Consultants BV heeft een kosten/baten-analyse van de LGN-databank uitgevoerd. De analyse van de kosten en baten wordt sterk bemoeilijkt doordat er verschillende categorieën (potentiële) afnemers van het LGN-bestand zijn, die ieder verschillende eisen aan het bestand stellen, en doordat het LGN-bestand meestal niet in de plaats komt van bestaande gegevensbestanden en nieuwe toepassingen

(14)

mogelijk maakt. Door de laatste twee oorzaken bestaat er geen referentiekader voor de kosten en baten. Uit de analyse blijkt dat het op dit moment nog niet mogelijk is de LGN-databank op strikt commerciële basis te realiseren. Het grootste probleem is niet zo zeer de financiële draagkracht van de potentiële afnemers, maar veeleer de onbekendheid bij de gebruikers van de toepassingsmogelijkheden van het LGN-bestand. Het overtuigen van de betrokken organisaties blijkt in de praktijk echter tot enorme acquisitiekosten te leiden, die niet op redelijke termijn kunnen worden terugverdiend.

Gezien de tegenvallende resultaten van de acquisitieactiviteiten en omdat er nog geen sprake is van een commercieel produkt, was het gewenst om meer inzicht te hebben in de ervaringen van de gebruikers met de eerste versie van de databank, en in de belangstelling voor een actualisering van de databank. Hiertoe is op verzoek van de Beleids Commissie Remote Sensing door het DLO-Staring Centrum, DHV Consultants BV en de gebruikers een evaluatie van het LGN-project uitgevoerd. Hieruit konden de volgende conclusies worden getrokken: - Over het algemeen wordt positief geoordeeld over de LGN-databank en de

gebruiksmogelijkheden;

- Een hogere nauwkeurigheid en betrouwbaarheid is veelal gewenst. De vereiste nauwkeurigheid en betrouwbaarheid voor de verschillende toepassingen kon echter niet worden gekwantificeerd;

- De klasse glastuinbouw is dermate belangrijk dat deze niet mag ontbreken; - Het is gewenst de LGN-databank te actualiseren. De gewenste frequentie voor

actualisering varieert, maar de meest genoemde frequentie bedraagt één maal per 5 jaar.

(15)

1 INLEIDING

In 1988 is het project Landelijke Grondgebruiksclassificatie van Nederland (LGN) opgezet, met een tweeledig doel:

- de mogelijkheden te onderzoeken om nauwkeurige informatie over het grondgebruik uit satellietbeelden af te leiden voor de verschillende fysiografische eenheden van Nederland;

- een grondgebruiksdatabank van Nederland te vervaardigen met satellietbeelden. Voor steeds meer toepassingen o.a. op het gebied van de waterhuishouding, de bodem- en grondwaterbescherming en de ruimtelijke ordening is er behoefte aan actuele informatie over het grondgebruik. Om deze informatie te verkrijgen zijn topografische kaarten over het algemeen minder geschikt, aangezien deze kaarten vaak niet recent zijn vervaardigd en bovendien slechts een beperkt aantal onderscheidingen in grondgebruik aangeven. In het kader van de landbouwtellingen worden door het Centraal Bureau voor de Statistiek zeer gedetailleerde gegevens over het landbouwkundig grondgebruik verzameld. Deze gegevens worden echter slechts gepubliceerd in de vorm van oppervlaktes per deelgebied waarvan de grenzen vastliggen, bijv. provincies of gemeenten. Het is niet mogelijk om uit de CBS-landbouwstatistieken informatie te verkrijgen over de verdeling van het grondgebruik in een willekeurig deelgebied, zoals een stroomgebied of een waterwingebied. Bovendien is uit de landbouwstatistieken de exacte ligging van het grondgebruik niet af te leiden, hoewel dat voor veel toepassingen wel gewenst is. Tenslotte is het mogelijk informatie over het grondgebruik te verzamelen in het veld. Deze methode is echter tijdrovend en duur en daardoor alleen uitvoerbaar voor relatief kleine gebieden.

Een mogelijke oplossing om actuele grondgebruiksgegevens te verkrijgen wordt geboden door de toepassing van remote sensing opnamen. Op geschikte tijdstippen opgenomen remote sensing opnamen kunnen redelijk nauwkeurige informatie over het grondgebruik leveren (Thunnissen et al., i.p.). Daarom is in 1988 gestart met het LGN-project. Het project is in de jaren 1988 t/m 1991 uitgevoerd door het DLO-Staring Centrum te Wageningen en DHV Consultants BV te Amersfoort. Het DLO-Staring Centrum was verantwoordelijk voor de classificatiemethodiek, de validatie, de rapportage en het projectmanagement. De classificatie van de satellietbeelden en de kosten/baten-analyse is uitgevoerd door DHV. De evaluatie is door DHV en het DLO-Staring Centrum gezamenlijk uitgevoerd.

In hoofdstuk 2 worden het gebruikte materiaal en de toegepaste methodieken besproken. In hoofstuk 3 worden de resultaten van de validate besproken en wordt ingegaan op de bruikbaarheid van het LGN-bestand. In hoofstuk 4 worden aanbevelingen gegeven voor een verbetering van de kwaliteit van het LGN-bestand. In hoofstuk 5 komen de toepassingen van het LGN-bestand aan de orde en in hoofdstuk 6 worden de resultaten besproken van de door DHV Consultants BV uitgevoerde kosten/baten-analyse van de LGN-databank. In hoofdstuk 7, tenslotte, worden de resultaten gegeven van de evaluatie van het LGN-project. Het rapport

(16)

(17)

2 MATERIAAL EN METHODE

2.1 De LGN-klassen

Met satellietbeelden is een grondgebruiksclassificatie van Nederland gemaakt. De klasse-indeling van het bestand is opgesteld aan de hand van discussies met potentiële gebruikers van de grondgebruiksgegevens en ervaring met de interpre-tatie van satellietbeelden. De volgende klassen zijn in de databank opgenomen:

Tabel 1 Legenda LGN-databank

Hoofdklassen Subklassen Landbouw: Bos: Open natuurgebied: Water: Bebouwing en wegen: 1 gras 2 maïs 3 granen 4 bieten 5 aardappelen 6 overige gewassen 7 kale grond 8 boomgaarden 10 bolgewassen (11 boomkwekerijen) 13 loofbos 14 naaldbos 12 heide 15 overig natuurgebied 16 open water 17 bebouwing en wegen (9 glastuinbouw)

De classificatie vindt plaats op het niveau van de subklassen.

In principe is het gewenst onderscheid te maken tussen de bodembedekking (het materiaal dat de bodem bedekt, bijv. gras) en het bodemgebruik (gras kan bijv. worden gebruikt als cultuurgrasland, maar ook als golfterrein of stadspark). In het Nederlands is het gebruikelijk te spreken over bodem- of grondgebruiksklassen, ook al wordt de bodembedekking bedoelt. In dit rapport wordt steeds gesproken over grondgebruiksklassen. Waneer het onderscheid tussen de bedekking en het gebruik van de bodem van belang is, zal dat duidelijk worden aangegeven.

Het is zinvol onderscheid te maken tussen referentieklassen en spectrale klassen. Referentiegegevens betreffen het 'werkelijke' grondgebruik. Deze gegevens kunnen zijn verkregen door veldwerk of luchtfoto-interpretatie of zijn afgeleid van topografische kaarten. Spectrale klassen zijn grondgebruiksklassen met unieke

(18)

reflectie-eigenschappen. Referentieklassen en spectrale klassen hoeven niet altijd met elkaar overeen te komen. Wanneer twee grondgebruiksklassen (bijv. bieten en maïs) spectraal niet van elkaar zijn te onderscheiden, dan vormen ze één spectrale klasse.

Speciale aandacht behoeven de referentieklassen 'bebouwing en wegen' en 'open natuurgebied'. De referentieklasse 'bebouwing en wegen' omvat behalve het werkelijk bebouwde en verharde oppervlak ook de bij bebouwing behorende sportterreinen, tuinen, erven, bermen, wegbeplanting e.d. De referentieklasse 'open natuurgebied' omvat open natuurlijke gebieden met een grasachtige begroeiing, heide of kale grond. Binnen deze gebieden kunnen stukken met struikgewas en ver-spreide boomgroepen voorkomen. Deze beide referentieklassen kunnen meer spectrale klassen omvatten.

Vanwege de grote spectrale overlap tussen bebouwd gebied en kassen is besloten kassen in de hoofdklasse 'bebouwing en wegen' op te nemen. Aanvankelijk was ook een klasse boomkwekerijen in het bestand opgenomen. Deze klasse kan echter spectraal niet worden onderscheiden van kale grond, grasland of bos. Alleen in gebieden met concentraties van boomkwekerijen is deze klasse apart geclassificeerd en ondergebracht bij de klasse overige landbouwgewassen.

2.2 Keuze en voorbewerking van de satellietbeelden

Voor de grondgebruiksclassificatie komen twee satellieten in aanmerking. Zowel de beelden opgenomen door de Thematic Mapper (TM) aan boord van de Amerikaanse satelliet LANDSAT als door de Franse SPOT satelliet, hebben een ruimtelijke resolutie (resp. 30 en 20 m) die over het algemeen voldoende is om afzonderlijke landbouwpercelen in Nederland te kunnen onderscheiden. Vanwege de spectrale resolutie hebben TM-beelden echter een duidelijke voorkeur boven SPOT-beelden. De Thematic Mapper registreert, in tegenstelling tot SPOT, straling in het midden infrarode deel van het spectrum. De midden infrarode banden van de TM hebben de mogelijkheden om onderscheid te maken tussen verschillende grondgebruiksklassen aanzienlijk vergroot (Anuta et al., 1984; DeGloria, 1984; Townshend, 1984; Irons et al., 1985; Sheffield, 1985; Epema, 1987). In deze studie zijn daarom TM-beelden gebruikt.

De Thematic Mapper registreert electromagnetische straling in 7 golflengtebanden; drie in het zichtbare deel van het spectrum, een in het nabij infrarode deel, twee in het midden infrarode deel en een in het thermisch infrarode deel van het spectrum (tabel 2). In de banden 1 t/m 5 en 7 wordt door het aardoppervlak gereflecteerde zonnestraling waargenomen en in band 6 door het aardoppervlak uitgezonden warmtestraling. In ieder beeldelement of pixel wordt de gemiddelde stralings-intensiteit afkomstig van een bepaald grondoppervlak vastgelegd. Voor de banden 1 t/m 5 en 7 komen de pixels overeen met een grondoppervlak van 30 x 30 m. en voor band 6 met een grondoppervlak van 120 x 120 m.

(19)

Tabel 2 Golflengtebanden (fint) en de geometrische resolutie (m) van de Thematic Mapper sensor in de Landsat satelliet

Band 1 2 3 4 5 6 7 Golflengte (um) 0,45- 0,52 0,52- 0,60 0,63- 0,69 0,75- 0,90 1,55- 1,75 10,40-12,50 2,08- 2,35 Resolutie (m) 30 30 30 30 30 120 30 Omschrijving zichtbaar licht idem idem nabij infrarood midden infrarood thermisch infrarood midden infrarood In band 6 wordt door het aardoppervlak uitgezonden warmtestraling geregistreerd. Deze band heeft een afwijkende geometrische resolutie

Hoewel het voor de hand ligt satellietbeelden te gebruiken van data waarop een optimaal onderscheid tussen verschillende klassen verwacht mag worden, wordt de keuze van satellietbeelden in de praktijk vaak bepaald door de beschikbare beelden. De gemiddelde kans om tenminste één wolkenvrije bedekking van heel Nederland in de zomer te krijgen is ca. 65% (Nationaal Lucht- en Ruimtevaartlaboratorium, Amsterdam, persoonlijke mededeling). Er is naar gestreefd zoveel mogelijk beelden te selecteren die in de periode 1 juli - begin augustus zijn opgenomen. In deze periode bedekken de meeste gewassen de bodem volledig waardoor de vaak verstorende effecten van de kale grond minimaal zijn. In plaat 1 zijn de ligging en de data van de gebruikte satellietbeelden aangegeven. Voor het grootste deel van Nederland zijn TM-beelden van 3 augustus 1986 gebruikt. Voor de gebieden die op deze datum bewolkt waren of buiten het beeld van 3 augustus 1986 vallen, zijn, voor zover mogelijk, aanvullende beelden uit juli of augustus 1986, 1987 of 1988 gebruikt. Voor enkele gebieden waren slechts beelden opgenomen in juni of september beschikbaar. Voor het uiterste zuid westelijke deel van de provincie Zeeland moest zelfs teruggegrepen worden naar beelden uit augustus 1984(!). In 6 deelgebieden (5 strata) zijn beelden van twee data gebruikt. Voor een gebied van enkele km2 in het zuid-westen van Maastricht was geen satellietbeeld beschikbaar. De satellietbeelden zijn geometrisch gecorrigeerd zodat de ligging van de satellietbeelden overeen komt met die van de topografische kaart van Nederland (stereografische projectie; coördinaten volgens Rijksdriehoekmeting). Hiertoe zijn op het satellietbeeld en de topografische kaart (schaal 1 : 50 000) zogenaamde 'Ground Control Points' (GCP's) aangewezen. GCP's zijn punten die zowel op het satellietbeeld als op de topografische kaart duidelijk herkenbaar zijn (bijv. de kruising van wegen of kanalen) en waarvan de positie nauwkeurig kan worden bepaald. Deze GCP's moeten regelmatig verspreid over het beeld worden aangewezen. Aan de hand van de beelden de kaartcoördinaten zijn de coëfficiënten van transformatievergelijkingen bepaald. Met behulp van deze vergelijkingen, die het verband tussen de beelden kaartcoördinaten beschrijven, wordt de geometrische correctie van de satellietbeelden uitgevoerd. Door de originele kaartcoördinaten van de GCP's te vergelijken met de kaartcoördinaten van de GCP's na transformatie wordt een indruk verkregen van de nauwkeurigheid van de geometrische correctie. Het verschil tussen deze coördinaten kan worden

(20)

gekarakteriseerd door de zogenaamde 'Root Mean Square error' (RMS waarde; wortel van het kwadraat van de verschillen tussen de originele coördinaten en de coördinaten na transformatie).

Omdat de op de kaart gedefinieerde pixels nooit precies zullen samenvallen met de originele pixels in het satellietbeeld zal een beslissing moeten worden genomen over de pixelwaarden die moeten worden toegekend aan de nieuwe pixels. Hiervoor zijn verschillende methoden beschikbaar. In dit project is de zogenaamde 'nearest neighbour' methode gebruikt. Deze methode wijst aan iedere nieuwe pixel de pixelwaarden toe van de dichtstbij gelegen pixel in het originele satellietbeeld. Deze methode heeft de voorkeur wanneer het gecorrigeerde satellietbeeld wordt gebruikt voor een grondgebruiksclassificatie, omdat de originele pixelwaarden niet worden gewijzigd. Om optimaal aan te sluiten bij het metrisch stelsel is in het geometrisch gecorrigeerde beeld de pixelgrootte gewijzigd in 25 x 25 m.

Er zijn op ieder beeld circa 15 GCP's aangewezen. De RMS waarde bedroeg maximaal een halve pixel d.w.z. 12,5 meter. Uit projectie van de gedigitaliseerde referentiegebieden op de geometrisch gecorrigerde satellietbeelden bleek dat er in sommige gebieden een verschuiving in het geclassificeerde satelliet beeld aanwezig was van enkele pixels. Waarschijnlijk is dit het gevolg van een onregelmatige spreiding van de GCP's.

2.3 Referentiegegevens van het grondgebruik

Zowel ten behoeve van de classificatie van de satellietbeelden als van de validatie van het classificatieresultaat is informatie nodig omtrent het grondgebruik ten tijde van de opname van de satellietbeelden. Deze zogenaamde referentiegegevens kunnen zijn verkregen door veldwerk of luchtfotointerpretatie, maar ook zijn afgeleid van topografische kaarten.

2.3.1 Globale referentiegegevens voor een kwalitatieve validatie van de hoofdklassen en enkele subklassen

De hoofdklassen van het LGN-bestand en enkele subklassen, zoals boomgaarden en boomkwekerijen, zijn niet onderhevig aan snelle veranderingen in de tijd. Referentiegegevens voor een kwalitatieve validatie van deze klassen, kunnen derhalve goed worden afgeleid uit (vaak minder recente) topografische kaarten. Interpretatie van luchtfoto's geeft meer recente referentiegegevens voor de genoem-de klassen. In opdracht van genoem-de Topografische Dienst worgenoem-den iegenoem-dere 3 jaar van heel Nederland zwart-wit luchtfoto's op schaal 1 : 18 000 opgenomen. Recente opnamen dateren uit 1986 en 1989.

(21)

2.3.2 Gedetailleerde referentiegegevens voor de classificatie en de kwantitatieve validatie van de LGN-subklassen

Om een optimale classificatie van heel Nederland te kunnen uitvoeren moeten er voldoende, representatieve referentiegegevens voor de verschillende fysiografische gebieden in Nederland aanwezig zijn. Die referentiegegevens zijn nodig om goede trainingsgebieden aan te kunnen wijzen, die de basis vormen voor de classificatie (2.4.3).

Ook voor een statistisch betrouwbare validatie moeten de referentiegegevens zo representatief mogelijk zijn voor het te classificeren gebied. Hiertoe zou een random verdeling van de bemonsteringspunten (per pixel) over het gehele te classi-ficeren gebied moeten worden nagestreefd (Van Genderen et al., 1978). In dit project is echter vanwege de volgende praktische overwegingen gekozen voor de uitvoering van de validatie inleen beperkt aantal deelgebieden:

- Een random bemonstering van alle afzonderlijk te classificeren strata is zeer duur en tijdrovend. Het is veel gemakkelijker en goedkoper om een beperkt aantal grotere gebieden te bezoeken dan een groot aantal afzonderlijke percelen; - In dit project, dat in 1988 van start is gegaan, zijn voornamelijk satellietbeelden

uit 1986 gebruikt. Voor deze gebieden was het niet meer mogelijk om gegevens over het landbouwkundig grondgebruik in het veld te verzamelen. Hierdoor was het LGN-project aangewezen op door anderen verzamelde referentiegegevens; - De beschikbaarheid van referentiegegevens voor deelgebieden maakt het

gemakkelijk de gegevens automatisch te verwerken met behulp van een geografisch informatiesysteem (GIS). Het vaststellen van de classifica-tienauwkeurigheid, het opsporen van de ligging van de foutief geclassificeerde pixels en de evaluatie van de oorzaken van foutieve clasificaties worden hier-door aanzienlijk vergemakkelijkt.

Navraag onder instanties die zich bezig houden met beheer van het landelijk gebied heeft een aantal kaarten opgeleverd met gegegevens over het landbouwkundig grondgebruik in 1986, 1987 of 1988.

Soms was van een referentieperceel alleen bekend dat het een bouwlandperceel is. Daarom is een aparte referentieklasse 'bouwland' onderscheiden. Bossen zijn in de LGN databank opgenomen als loofbos of naaldbos. Het was niet mogelijk een aparte spectrale klasse gemengd bos te onderscheiden. Op een aantal referentie-kaarten is echter wel een klasse gemengd bos onderscheiden. Bovendien staat op een aantal referentiekaarten slechts de klasse bos aangegeven, zonder nadere aan-duiding. Deze klase is samen met de klasse gemengd bos opgenomen in de referen-tieklasse '(gemengd) bos'.

(22)

te» <r

C=^

(23)

In totaal zijn er 18 referentiegebieden. In een aantal referentiegebieden zijn slechts een beperkt aantal grondgebruiksklassen met een redelijke oppervlakte aanwezig (aanhangsel 2). In figuur 1 is de ligging van de referentiegebieden weergegeven. Het blijkt dat deze gebieden niet regelmatig over het land zijn verdeeld. Met name in het westen en noorden van het land is er een groot tekort aan gedetailleerde referentiegegevens. In tabel 3 is aangegeven welke satellietbeelden zijn gebruikt voor de classificatie van de verschillende referentiegebieden. Door 3 gebieden loopt een grens tussen verschillende satellietbeelden. Van één referentie-gebied (Schoonoord) is een deel geclassificeerd met 2 satellietbeelden. Uit tabel 3 blijkt dat voor het merendeel van de gebruikte satellietbeelden geen of slechts een beperkte hoeveelheid referentiegegevens beschikbaar zijn.

Tabel 3 Opnamedata van de satellietbeelden die zijn gebruikt voor de classificatie van de verschillende referentiegebieden Referentie-gebied Betuwe Biddinghuizen Borssele Ens Hupsel Mander Nieuw Buinen Data satellietbeelden 20 aug. 1984 noordwest Brabant Oedenrode Oostereng Ooij polder Reuver Rozendaalse bos Schoonoord Stevensbeek Ulvenhout Veenhuizen Wierden 16 juni 1986 X X X 3 aug. 1986 X X X X X X X X X X X X 12 aug. 1986 X X 13 sept. 1986 X 5 juli 1987 X 14 juli 1987 X 14 juni 1988 X

2.3.3 Verwerking van de gedetailleerde referentiegegevens

De grondgebruiksgrenzen in de referentiegebieden zijn ingetekend op topografische kaarten 1 : 10 000. De referentiekaarten zijn vergeleken met luchtfoto's en satel-lietbeelden. Luchtfoto's leveren over het algemeen betrouwbare informatie over de ligging van perceelsgrenzen en over de klassen, als bos, natuur, boomgaarden en bebouwing. Wanneer de luchtfoto's in een geschikte periode zijn opgenomen kan hieruit bovendien aanvullende informatie over het landbouwkundig grondgebruik (b.v. grasland of bouwland) worden afgeleid. Reflectieverschillen op satellietbeelden geven soms eenduidige informatie over de aan- of afwezigheid van

(24)

bepaalde grondgebruiksklassen.

Uit de vergelijking van de referentiekaarten met de luchtfoto's en de satellietbeelden blijkt dat de referentiegegevens een beperkte nauwkeurigheid hebben. Dit kan verschillende oorzaken hebben, zoals het verkeerd intekenen van grenzen tussen gewassen, of het over het hoofd zien van bepaalde percelen (bijv. verscholen achter maïs met een hoogte van 2 m). De mate van nauwkeurigheid hangt onder meer af van de instantie die de grondgebruiksgevens verzameld heeft, het doel waarvoor deze grondgebruiksgegevens zijn verzameld en de complexiteit van het gebied. We schatten dat de nauwkeurigheid van de veldgegevens varieert van ca. 70 tot 90%.

Aan de hand van de vergelijking van de referentiekaarten met de luchtfoto's en satellietbeelden zijn grenzen tussen verschillende grondgebruiksklassen en de aard van het grondgebruik zonodig aangepast. De satellietbeelden zijn hierbij zeer selec-tief gebruikt. Alleen wanneer op grond van de spectrale signatuur eenduidig vaststond dat het op de referentiekaart aangegeven grondgebruik niet aanwezig was, is de aard van het grondgebruik gewijzigd, of is het betreffende perceel als referentie geschrapt. Na deze correcties wordt de nauwkeurigheid van de referentiekaarten geschat tussen ca. 85 en 95%.

Om de referentiegegevens op automatische wijze te kunnen vergelijken met het classificatieresultaat, zijn de referentiekaarten gedigitaliseerd. Lijnvormige elementen, zoals wegen, houtwallen en waterlopen, zijn alleen als vlak gedigi-taliseerd als zij breder zijn dan ca. 20 m. De gedigigedigi-taliseerde grondgebruikskaarten bestaan uit polygonen (grondgebruikseenheden, b.v. landbouwpercelen) en lijnen (grenzen tussen grondgebruikseenheden en wegen, houtwallen en waterlopen smaller dan ca. 20 m). Om de gedigitaliseerde referentiekaarten te kunnen vergelijken met de geclassificeerde satellietbeelden zijn deze omgezet naar raster-kaarten. De celgrootte is gelijk genomen aan de pixels op het satellietbeeld, dwz. 25 x 25 m. Van ieder referentiegebied zijn de polygonen en de lijnen afzonderlijk verrasterd. Aan iedere cel in de verrasterde polygoonkaart is een grondgebruiks-code toegekend overeenkomstig de polygoon waarin de cel ligt. Als een cel in twee of meer polygonen ligt is de code toegekend van de polygoon met de grootste oppervlakte in de cel. Aan de cellen in de verrasterde lijnenkaart wordt een verschillende code toegekend al naar gelang de cel over een lijn ligt of niet.

2.4 Classificatie van het grondgebruik

De grondgebruiksclassificatie is om financiële redenen uitgevoerd in twee fasen. De eerste fase betrof de classificatie van de provincies Drenthe, Overijssel, Gelderland, Flevoland, Noord Brabant en Limburg en het zandgebied in de provincie Utrecht. In de tweede fase is het overige deel van Nederland geclassificeerd.

(25)

2.4.1 Gebruikte spectrale banden

Het gebruik van alle zeven banden tijdens de classificatie is erg tijdrovend en duur. Bovendien zijn de banden vaak onderling gecorreleerd, waardoor de verschillende banden geen volledig unieke informatie bevatten. Een veel gebruikte oplossing voor het probleem van bandkeuze is de vervaardiging van 'principal component' beelden. In een principal component analyse worden nieuwe assen gedefinieerd in de richtingen waarin de variabiliteit van de gegevens maximaal is. Deze assen zijn per defenitie ongecorreleerd. De beelden die worden gedefinieerd door de eerste twee of drie principal component assen bevatten over het algemeen meer dan 90 % van de in alle 7 TM-banden aanwezige informatie. Door gebruik te maken van principal component beelden kan dus een aanzienlijke datareductie worden bereikt. Een nadeel van een principal component analyse is echter dat de kleuren in de resulterende beelden van beeld tot beeld verschillen. Hierdoor wordt het moeilijk kennis van relaties tussen reflectie en grondgebruiksklassen bij de klassificatie te gebruiken en kleuren op verschillende beelden met elkaar in verband te brengen. Daarom is besloten originele TM-banden te gebruiken.

Verschillende met TM-beelden uitgevoerde grondgebruiksclassificaties in landbouw en/of bosgebieden in Engeland (Townshend, 1984), West Duitsland (Kirchhof et al, 1985) de Verenigde Staten (DeGloria, 1984; Price, 1984), Brazilië (Chen et al., 1986) en Nederland (Epema, 1987) hebben aangetoond dat de banden in het zichtbare deel van het spectrum (TM-banden 1 t/m 3) sterk gecorreleerd zijn, de banden 5 en 7 (midden infrarood) ook een hoge tot zeer hoge correlatie vertonen en dat band 4 (nabij infrarood) een negatieve of zeer geringe positieve correlatie vertoont met de zichtbare banden en band 7 en een geringe positieve correlatie met band 5. Alleen Chen et al. (1986) vonden een tamelijk hoge, positieve correlatie tussen de banden 4 en 5. Hieruit kan worden geconcludeerd dat voor een grondgebruiksclassificatie een optimale combinatie van TM-banden moet bestaan uit één band uit het zichtbare deel van het spectrum, bij voorkeur band 3 (Anuta et al., 1984; Townshend, 1984), de nabij infrarode band en één band uit het midden infrarode deel van het spectrum, bij voorkeur band 5 (Anuta et al., 1984; DeGloria, 1984; Townshend, 1984; Chen et al., 1986; Epema, 1987). Een onderzoek in een deelgebied in Noord Brabant toonde aan dat de resultaten van een grondgebruiksclassificatie met alle 6 de TM-reflectiebanden weinig verschilden van die met alleen de banden 3, 4 en 5 (Droesen en Jaarsma, 1990). In deze studie is daarom besloten in eerste instantie gebruik te maken van de banden 3, 4 en 5. Al in een vroegtijdig stadium van de classificatie werd duidelijk dat er op het beeld van 3 augustus 1986 sprake was van aanzienlijke spectrale overlap tussen (afgerijp-te) granen en bebouwd gebied. Er is daarom onderzocht of toevoeging van andere banden, met name de banden 2 en 6, het onderscheid tussen deze klassen kon vergroten. Met name de thermische band 6 bleek, ondanks de geometrische resolutie van 120 m, de verwarring tussen granen en bebouwd gebied aanzienlijk te verminderen. De oorzaak hiervan is dat de stralingstemperatuur van (aaneenge-sloten) bebouwing over het algemeen lager is dan die van graanpercelen. In het vervolg van de classificatie is voor alle strata gebruik gemaakt van de banden 2 tm. 6. Dit betekent dat met name in de zandgebieden voor een groot aantal strata nog

(26)

alleen gebruik is gemaakt van de banden 3, 4 en 5.

2.4.2 Stratificatie

Voorafgaande aan de classificatie is Nederland verdeeld in strata. Dit zijn min of meer homogene gebieden wat betreft grondgebruik en bodemeenheid. Door de classificatie voor ieder stratum afzonderlijk uit te voeren wordt de verwarring tussen verschillende grondgebruiksklassen beperkt. Bovendien hebben de meeste strata een beperkte oppervlakte die gemakkelijk en snel is te overzien. Dat heeft grote voordelen bij de keuze van de trainingsgebieden en de evaluatie van het classificatieresultaat. In grote gebieden bestaat bovendien het gevaar dat de stralingswaarden enigszins veranderen in de ruimte als gevolg van wisselende atmosferische omstandigheden.

Bij de uitvoering van de stratificatie is gebruik gemaakt van topografische kaarten, de 1 : 250 000 bodemkaart (Steur et al., 1985), de landbouwstatistiek (CBS, 1986) en de satellietbeelden zelf. De bodemkaart en de topografische kaart zijn gebruikt om de belangrijkste fysisch geografische eenheden te omlijnen. Met behulp van de landbouwstatistieken zijn de belangrijkste landbouwgewassen per eenheid vastge-steld. De uiteindelijke ligging van de stratumgrenzen is vastgesteld aan de hand van de op het satellietbeeld zichtbare grondgebruikspatronen.

Wanneer een stratum niet uit één aaneengesloten gebied bestaat (bijv. het duingebied), is deze verder onderverdeeld in substrata. Aan de hand van opgedane ervaring is gedurende het project voor de nog te classificeren gebieden de stratificatie geoptimaliseeerd. Met name in de zandgebieden, waar met de classi-ficatie is begonnen, is de ligging van de stratumgrenzen niet optimaal. In totaal zijn 52 verschillende strata onderscheiden (figuur 2). Tijdens de classificatie bleek voor enkele grote strata een verdere onderverdeling in twee of meer substrata gewenst. Deze substratificatie is ad hoc gebeurd en niet vastgelegd in figuur 2.

2.4.3 Classificatiemethode

De classificatie van het satellietbeeld per stratum of substratum is op automatische wijze uitgevoerd met behulp van de zogenaamde 'maximum likelihood' classi-ficatiemethode. Voorafgaande aan de classificatie moet een interpretatiesleutel worden opgesteld. Hiertoe worden aan de hand van referentiegegevens en het satel-lietbeeld trainingsgebieden aangewezen in het satelsatel-lietbeeld. De trainingsgebieden worden geacht representatief te zijn voor de aanwezige grondgebruiksklassen.

Bij de maximum likelihood classificatiemethode wordt aangenomen dat de verdeling van de pixelwaarden per klasse kan worden beschreven met een normale waarschijnlijkheidsverdeling. De parameters die nodig zijn om een normale verdeling te beschrijven (gemiddelde pixelwaarden en covariantiematrix) worden

(27)

(28)

geschat aan de hand van de trainingsgebieden. Voor iedere pixel in het beeld wordt nu de waarschijnlijkheid berekend dat de pixel tot een bepaalde klasse behoort. Deze waarschijnlijkheid wordt berekend voor alle onderscheiden klassen. Een pixel wordt vervolgens toegewezen aan de klasse waarvan de waarschijnlijkheid dat de pixel tot die betreffende klasse behoort het grootst is.

In de praktijk is het aanwijzen van de trainingsgebieden en het uitvoeren van de classificatie een iteratief proces. Voorkennis betreffende de aanwezige oppervlakten van verschillende gewassen in een bepaald stratum (af te leiden uit de CBS landbouwstatistiek) speelt hierbij een belangrijke rol. In een bepaald stratum kunnen twee elkaar spectraal gedeeltelijk overlappende klassen voorkomen, terwijl de ene klasse een aanzienlijk groter opvlak inneemt dan de andere. Bij de keuze van trainingsgebieden met een spectrale signatuur in het overlappende gebied moet met dit verschil in oppervlakte rekening worden gehouden. In een aantal strata is tijdens de classificatie gebruik gemaakt van een majority filter (2.5.3).

2.5 Postprocessing

Niet alle LGN klassen zijn spectraal eenduidig te onderscheiden met de gebruikte TM-beelden. Om het resultaat van de automatische classificatie te verbeteren zijn daarom na afloop van de classificatie verschillende postprocessing technieken toegepast.

2.5.1 Toepassing RIN-heidebestand

De classificatie van de klasse heide vormde een apart probleem. De heide in Nederland verandert de laatste jaren snel van aanzicht door de sterk toenemende vergrassing. Hierdoor is deze klasse vaak niet meer eenduidig van cultuurgrasland te onderscheiden.

Omdat recent door het Rijksinstituut voor Natuurbeheer (RIN) een landelijk onderzoek is uitgevoerd naar de kartering van heidevergrassing met behulp van Landsat TM-satellietbeelden (Van Kootwijk en Van der Voet, 1989; Van Kootwijk, 1989) is besloten de klasse heide uit deze studie over te nemen in het LGN be-stand. In deze RIN studie zijn eerst aan de hand van de topografische kaart alle heideterreinen in Nederland geselecteerd. Vervolgens zijn pixels met sterk afwijkende reflectiewaarden uit de populatie 'heide' verwijderd. Deze selectie is visueel (pixels zijn in het beeld te herkennen als bos, water, wegen, kale grond e.d.) en op grond van reflectiewaarden (pixels wijken sterk af van aan de hand van veldwerk samengestelde trainingsgebieden) uitgevoerd. De uiteindelijke populatie omvat pixels uit de droge heideterreinen met uitzondering van de duinen en een smalle strook langs de oostrand van Nederland waarvoor geen geschikte satellietbeelden beschikbaar waren. De natte heideterreinen (ca. 1000 ha) zijn buiten beschouwing gelaten.

(29)

2.5.2 Interactieve correcties

In de loop van het project bleek dat het resultaat van de automatische classificatie voor een aantal klassen en gebieden te kort schoot, zelfs op het niveau van de hoofdklassen. Een aantal van deze classificatiefouten waren visueel duidelijk waarneembaar door vergelijking van de geclassificeerde beelden met topografische kaarten en de originele satellietbeelden. In de loop van het project is er steeds meer toe overgegaan om de belangrijkste fouten interactief te corrigeren. Dat betekent dat het classificatieresultaat in de loop van het project is verbeterd, met name op het niveau van de hoofdklassen. De belangrijkste uitgevoerde correcties komen hieronder kort aan de orde:

- De klasse 'bebouwing en wegen' vertoonde vaak spectrale overlap met landbouwgewassen, kale grond of overig natuurgebied. De verwarring tussen granen en bebouwd gebied is reeds in 2.4.1 aan de orde gekomen. Ook na toepassing van de thermische band bleef echter nog al wat verwarring aanwezig tussen granen en open bebouwd gebied. Bij verwarring op grote schaal zijn deze klassen zo goed mogelijk interactief gecorrigeerd;

- Boomgaarden met een hoge of geringe bodembedekking waren vaak niet te onderscheiden van loofbomen, respectievelijk gras of kale grond. Aan de hand van de topografische kaart en de satellietbeelden zijn boomgaarden zoveel mogelijk interactief gecoorigeerd en aan het bestand toegevoegd;

- In tegenstelling tot landbouwgebieden vertonen open natuurgebieden als gevolg van het heterogene vegetatiepatroon vaak een sterke variatie in reflectie over korte afstand. De kans op spectrale overlap met andere grondgebruiksklassen groot is. Deze natuurgebieden zijn gedeeltelijk interactief gecorrigeerd;

- Bebouwing in een bosrijke omgeving werd vaak geclasificeeerd als bos. De bebouwing is gedeeltelijk interactief gecorrigerd;

- Schapenwolken, wolkenschaduw en sluierbewolking veroorzaakten vaak foutieve classificaties. Deze fouten zijn zoveel mogelijk interactief gecorrigeerd; - Op veel percelen die werden geclassificeerd als kale grond was het gewas al

geoogst. Op grond van statistische gegevens over het aanwezige grondgebruik zijn deze percelen in een aantal gevallen gehercodeerd naar de meest waarschijnlijke klasse. Een voorbeeld is de hercodering van kale grond percelen naar bollen in enkele strata in Noord en zuid Holland;

- Smalle lijnvormige elementen, zoals wegen en waterlopen, bestaan voor een groot deel uit 'mixed' pixels (pixels waarbinnen meerdere vormen van grond-gebruik liggen) en zijn daardaar op grote schaal foutief gecorrigeerd. In een aantal gevallen zijn hiervoor interactieve correcties toegepast;

- Bij een bepaalde stand van kassen, zon en satelliet ten opzichte van elkaar ontvangt de scanner straling met zeer hoge intensiteit. De invloed hiervan is vaak vele kilometers waarneembaar op het satellietbeeld in de vorm van strepen met een verhoogde reflectie. Deze strepen zijn zo goed mogelijk interactief gecorrigeerd.

(30)

2.5.3 Toepassing van een majority filter

Geclassificeerde remote sensing beelden bevatten over het algemeen nogal wat 'ruis', d.w.z. verspreid liggende (groepjes van enkele) pixels met een klasse die afwijkt van de omringende pixels. Vaak zijn deze pixels, die een onrustig beeld veroorzaken, foutief geclassificeerd. Dat kan het gevolg zijn van verschillende factoren, bijvoorbeeld: onregelmatige respons van de scanner, de aanwezigheid van mixed pixels, lokale afwijkingen in bodemopbouw en/of watervoorziening en het toegepaste classificatiealgorithme. Ruis kan echter ook worden veroorzaakt door correct geclassificeerde pixels. Dat betreffen dan grondgebruiksvormen als verspreid liggende bebouwing (bijv. boerderijen) houtwallen, boomgroepen e.d. Deze grondgebruiksvormen zijn vaak niet van belang voor toepassingen op landelijke en regionale schaal. Er zijn echter toepassingen denkbaar waarbij deze grondgebruiksvormen juist wel van belang zijn.

De ruis in een uit remote sensing beelden afgeleid grondgebruiksbestand kan vaak aanzienlijk worden verminderd door toepassing van een zogenaamd 'majority' filter. Een dergelijk filter wijst de meest voorkomende klasse in een N x N matrix toe aan de centrale pixel in de matrix. Verschillende matrix groottes kunnen worden toegepast. Gurney and Townshend (1983) en Kenk et al. (1988) toonden aan dat toepassing van een majority filter een aanzienlijke toename van de classificatienauwkeurigheid tot gevolg kan hebben.

De toepassing van een majority filter met verschillende groottes is geëvalueerd in enkele proefgebieden. Voor de meeste grondgebruiksklassen neemt de classificatie-nauwkeurigheid toe bij toepassing van een majority filter. De verbetering van de classificatienauwkeurigheid neemt echter minder toe of neemt zelfs af naarmate het filter groter wordt. Voor een klasse die bestaat uit kleine, verspreid liggende groepjes pixels, zoals boerderijen, resulteert toepassing van een majority filter altijd in een afname van de classificatienauwkeurigheid. Deze afname neemt zeer sterk toe bij toenemende filtergrootte. Toepassing van een majority filter heeft met name succes wanneer de pixelgrootte aanzienlijk kleiner is dan de grootte van de objecten die worden geclassificeerd. Voor afzonderlijke klassen zijn verbeteringen van het classificatieresultaat tot 16% vastgesteld. Toepassing van een majority filter heeft echter ook een aantal nadelen, die worden veroorzaakt doordat geen invloed kan worden uitgeoefend op de minimale objectgrootte en de klassetoewijzing. Hier-door verdwijnen kleine objecten, zoals boerderijen en houtwallen, en worden pixels toegewezen aan spectraal sterk afwijkende klassen. Bovendien verschuiven grenzen tussen verschillende grondgebruiksvormen als gevolg van de neiging van het majority filter om kleinere objecten aan te tasten en grotere objecten uit te breiden. Het verdwijnen van kleine objecten resulteert in een sterke toename van de oppervlakte van de klassen die grote oppervlakten beslaan. De classificatie-betrouwbaarheid (de kans dat pixels die zijn geclassificeerd als klasse i in werke-lijkheid ook tot klasse i behoren) blijkt hierdoor af te nemen. Toepassing van een 3 x 3 majority filter resulteert in een aanvaardbaar compromis tussen verbetering van de classificatienauwkeurigheid en het optreden van de nadelige effecten. In het LGN projekt is daarom gekozen voor (mogelijke) toepassing van een 3 x 3 filter. Indien gewenst kunnen gebruikers een gefilterd LGN-bestand geleverd krijgen.

(31)

In een aantal strata is ook tijdens de classificatie gebruik gemaakt van een majority filter. Wanneer twee grondgebruiksklassen gedeeltelijk met elkaar worden verward maar niet op grote schaal aan elkaar grenzen kan de onderlinge verwarring vaak worden verminderd door toepassing van selectieve filtering. Hiertoe zijn de overige gewassen tijdelijk tot één klasse samengevoegd en is alleen op de twee betreffende klassen een majority filter toegepast.

2.6 Validatie

De validatie van het LGN-bestand heeft tot doel inzicht te geven in de kwaliteit van het LGN-bestand. Bij het vaststellen van het classificatieresultaat moet onderscheid worden gemaakt tussen de nauwkeurigheid en de betrouwbaarheid van de het LGN-bestand. De classificatienauwkeurigheid van een bepaalde klasse geeft aan welk percentage van de betreffende referentieklasse goed is geclassificeerd. De classificatiebetrouwbaarheid geeft aan welk percentage van de pixels dat is geclassificeerd als een bepaalde grondgebruiksklasse ook werkelijk tot die grondgebruiksklasse behoort. Bij een kwalitatieve validatie en bij de validatie van grondgebruiksoppervlakken, zonder rekening te houden met de exacte ligging, is het vaak moeilijk of onmogelijk om onderscheid te maken tussen classificatie-nauwkeurigheid en -betrouwbaarheid. Daarom wordt in dit rapport voornamelijk gesproken over de classificatienauwkeurigheid. Over de classificatie-betrouwbaarheid wordt alleen gesproken wanneer deze expliciet aan de orde komt. De validatie heeft voor verschillende klasseindelingen en op verschillende schaalniveaus plaatsgevonden (tabel 4).

Tabel 4 Toegepaste validatiemethoden

Schaal Klasse-indeling

per subklasse per hoofdklasse per referentie- X gebied per kaartblad X* (1 : 50 000) per CBS-hoofd- X** landbouwgebied

* alleen bij afwezigheid van referentiegegevens ** alleen voor de landbouwgewassen

2.6.1 Kwalitatieve validatie van de hoofdklasssen en enkele subklassen